Identifikasi Biomarker Genomik dan Klasifikasi Risiko Mortalitas Dini pada Kanker Hati Berbasis Machine Learning

⭐ Himawan, Daniel (2026) Identifikasi Biomarker Genomik dan Klasifikasi Risiko Mortalitas Dini pada Kanker Hati Berbasis Machine Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (237kB)
	PDF BAB_II.pdf Download (11MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (11MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (446kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (235kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (243kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000073548_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Kanker hati (Hepatocellular Carcinoma/HCC) merupakan salah satu penyebab utama kematian akibat kanker dengan prognosis yang sulit diprediksi hanya menggunakan data klinis konvensional. Integrasi data genomik dan klinis melalui pendekatan Machine Learning (ML) berpotensi meningkatkan akurasi stratifikasi risiko serta mendukung identifikasi biomarker prognostik. Penelitian ini bertujuan mengembangkan model klasifikasi untuk memprediksi risiko mortalitas pada pasien HCC menggunakan data dari The Cancer Genome Atlas (TCGA). Sebanyak 195 sampel tumor valid digunakan untuk membangun model klasifikasi biner (High Risk: Overall Survival 1095 hari vs Low Risk) melalui pendekatan Early Fusion yang menggabungkan 20 fitur genomik hasil seleksi SelectKBest ( f classi f ) dan 4 fitur klinis (usia, stadium AJCC, jenis kelamin, dan ras). Algoritma Support Vector Machine (SVM) dan Random Forest (RF) dioptimasi menggunakan RandomizedSearchCV dengan 5-Fold Cross Validation dan dievaluasi berdasarkan metrik Balanced Accuracy. Hasil penelitian menunjukkan bahwa model Random Forest teroptimasi memberikan kinerja terbaik dengan Balanced Accuracy sebesar 0,7937 pada data uji, mengungguli model SVM maupun model baseline. Analisis Feature Importance mengidentifikasi gen seperti PPIAP11, LPCAT1, CLEC3B, ADAMTS5, dan RAMP3 sebagai biomarker paling berpengaruh, sementara fitur klinis memiliki kontribusi yang lebih rendah dibandingkan sinyal genomik. Temuan ini menegaskan bahwa integrasi data multi-omics dengan optimasi hiperparameter mampu meningkatkan prediktabilitas risiko mortalitas jangka pendek pada pasien HCC secara signifikan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Himawan, Daniel (00000073548)
Contributors:	Twince Tobing, Fenina Adline
Keywords:	Biomarker Genomik, Kanker Hati, Machine Learning, Random Forest, RNA-Sequencing
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jul 2026 08:00
URI:	https://kc.umn.ac.id/id/eprint/47853

Actions (login required)

View Item